相机自标定问题
相机自标定问题
相机自标定问题
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>相机自标定问题</strong><br />
张明<br />
2011.6.7
自标定方法学习<br />
近期工作<br />
短期计划
自标定方法学习<br />
近期工作<br />
短期计划
自标定:由一组未标定的图像来计算摄像<br />
机和/或景物的度量性质<br />
不需要已知的三维标定物<br />
相机内参数可变<br />
在线标定
代数框架<br />
1<br />
P =[I 0]<br />
i<br />
{P ,X }<br />
j<br />
H<br />
i -1<br />
{P H , H X j}<br />
射影重构 度量重构<br />
H=<br />
K<br />
v<br />
1 1 1<br />
P M=P<br />
H=K [I 0]<br />
1<br />
T<br />
0<br />
1<br />
1 1<br />
R =I t =0<br />
i i i i<br />
P M =K R t
约束来源<br />
内参数约束<br />
相机运动约束<br />
场景约束<br />
相机内参数<br />
固定<br />
部分可变<br />
部分已知
利用绝对对偶二次曲面标定<br />
Kruppa方程<br />
分层求解<br />
仿射重构<br />
度量重构<br />
从旋转相机标定<br />
平面自标定
Conics & Quadrics<br />
conics<br />
T<br />
m Cm<br />
0<br />
* 1<br />
C C<br />
C C´~ H CH<br />
T *<br />
l C l 0<br />
T 1<br />
* * * T<br />
C C ´~ HC H<br />
T<br />
M QM<br />
0<br />
transformations<br />
projection<br />
* * T<br />
C ~ PQ P<br />
quadrics<br />
* 1<br />
Q Q<br />
Q<br />
T *<br />
Q Q´~ T QT<br />
T 1<br />
* * *<br />
Q Q ´ ~ TQ T<br />
T<br />
0
利用绝对对偶二次曲面标定<br />
*<br />
Q I<br />
I 0<br />
3 3<br />
0<br />
0<br />
* * *<br />
Q Q ´ ~ HQ H<br />
ω P Q P K K<br />
* T T<br />
i i i i i<br />
*<br />
通过摄像机矩阵P把 ω<br />
*<br />
上的约束转移成 Q 上的<br />
约束。<br />
Pollefey IJCV´99<br />
T<br />
*<br />
(Triggs CVPR´97)<br />
*<br />
Q
Constraints on<br />
ω<br />
f s c sf c c c<br />
2 2 2<br />
x x y x y x<br />
*<br />
sf y cxc y<br />
2<br />
f y<br />
2<br />
c y c y<br />
c c<br />
x y<br />
Zero skew quadratic m<br />
Principal point * * linear 2m<br />
Zero skew (& p.p.) linear m<br />
Fixed aspect ratio<br />
(& p.p.& Skew)<br />
Known aspect ratio<br />
(& p.p.& Skew)<br />
Focal length<br />
(& p.p. & Skew)<br />
ω ω ω ω<br />
* * * *<br />
12 33 13 23<br />
ω ω 0<br />
13 23<br />
ω 0<br />
*<br />
12<br />
* * * *<br />
11 22 22 11<br />
ω ω' ω ω'<br />
* *<br />
ω11 ω22<br />
* *<br />
ω33 ω11<br />
*<br />
Q<br />
condition constraint type #constraints<br />
1<br />
quadratic m-1<br />
linear m<br />
linear m
Kruppa Equations<br />
Maybank Faugeras<br />
ECCV IJCV 92
C<br />
*<br />
C t [ e] C [ e]<br />
C<br />
CW<br />
'<br />
C<br />
H C H<br />
' T 1<br />
t t<br />
' *' '<br />
C t [ e '] C [ e ]<br />
[ e '] C [ e ] H [ e] C [ e] H FC F<br />
*' ' T * 1 * T<br />
[ '] [ ]<br />
*' ' * T<br />
e e F F<br />
世界平面上一条二次曲线<br />
在两幅视图上的投影<br />
两条对极切线组<br />
成的退化点二次<br />
曲线<br />
Zeller Faugeras RR2793<br />
96
优点<br />
只需要对极约束,不需要将所有的视图在一个<br />
射影框架下考虑<br />
不足<br />
计算代价高<br />
难以考虑对极几何估计的不确定性
u u v v<br />
T *' 2 T *<br />
2 2 1 1 1<br />
T *' T *<br />
1 2 1 2 1 2<br />
T *' 2 T *<br />
1 1 2 2 2<br />
u u v v<br />
u u v v<br />
利用基本矩阵的SVD分解,得到kruppa<br />
方程的等价形式,不需要另外计算对<br />
极点。假设部分内参的初始值,非线<br />
性求解其他内参(f),再利用LM迭代整<br />
体求解。每个误差项使用F的协方差矩<br />
阵加权,结果更精确。<br />
0<br />
1<br />
T T<br />
2<br />
F UDV U V<br />
0<br />
Hartley IJCV99<br />
Manolis RR 99<br />
Manolis RR 00
分层求解<br />
仿射重构:确定无穷远平面<br />
H<br />
H<br />
T<br />
K<br />
T<br />
p K<br />
0 0<br />
1<br />
T<br />
1<br />
T<br />
1<br />
T<br />
0 K K v 0 K v p<br />
0 0 1 0 1 1<br />
1 1<br />
0<br />
1<br />
T<br />
( A ap ) K KR<br />
(Pollefeys ICPR´96)<br />
T<br />
( A ap ) KRK<br />
由于等式右边共轭于一个旋转,其三个特征值的模相等。因此构成关于p的模<br />
约束<br />
1
度量重构:确定绝对二次曲线<br />
i i i T<br />
H A a p<br />
* i i * iT<br />
H H<br />
尺度因子很关键<br />
' *' ' ' * T ' * T<br />
e e e H H e F F Kruppa方程<br />
由于三阶反对称矩阵不可逆,所以箭头是单向的。因此,<br />
Kruppa方程是一个较弱的约束。
旋转相机:监控摄像机,报道体育事件的相<br />
机,手持摄像机<br />
旋转摄像机的标定在数学上等同于分层重构<br />
中从仿射到度量的标定步骤。非平移摄像机<br />
不可能得到一个仿射重构,然而可以计算图<br />
像之间的无穷单应,从而满足摄像机标定的<br />
要求。<br />
Hartley ECCV’94 IJCV’94
P K R 2 2 0<br />
P K R<br />
1 1 0<br />
X<br />
0<br />
1<br />
X<br />
x K R 0 KR X<br />
1<br />
x1 K R1 KR1X 2 2 2<br />
* i i * iT<br />
H H<br />
H 12<br />
1 1<br />
x 2 KR2R1 K x1
平面自标定<br />
平面上的虚圆点通过单应从图像映射到图<br />
像<br />
标定矩阵K可以由虚圆点的像确定<br />
i<br />
T<br />
i i<br />
j j<br />
H c H c<br />
0<br />
Hartley ECCV’98
自标定方法学习<br />
近期工作<br />
短期计划
度量重建<br />
SCE<br />
直接利用场景信息求解H<br />
直接求解非线性方程,再用LM优化<br />
迭代求解非线性方程,再用LM优化<br />
利用H的特殊形式,直接用H的矩阵元素求<br />
解K
T<br />
H H<br />
可以提供四个独立约束,需要至少3个视角<br />
求解<br />
1/3<br />
H i Det ( H i ) H i<br />
T<br />
H i H i<br />
,i=1,2,…N-1<br />
T<br />
H H<br />
通过Cholesky分解,得到K。<br />
H K H K U diag(t ,t ,t )V<br />
K 1<br />
T<br />
i i<br />
1 2 3<br />
1<br />
R UV<br />
i<br />
T
1 1<br />
A I A I A I A I A<br />
1/3<br />
H i Det ( H i ) H i H i H i<br />
H H 0 i 1,2,..., N 1<br />
T<br />
i i<br />
K<br />
H K H K R H<br />
K 1<br />
i i<br />
i i<br />
由于H是通过无穷远单应取逆运算得到的,很难有<br />
高精度。考虑直接由图像数据或场景约束确定H,<br />
提高H的精度。
m KX<br />
X X<br />
W<br />
'<br />
m m K ( I R) X<br />
,1 T<br />
T<br />
'<br />
m KRX<br />
'<br />
m m K ( I R) X<br />
' 1 1 '<br />
m m K I R I R K m m<br />
( )( ) ( )<br />
H<br />
' '<br />
m Hm ( m Hm ) /
非线性求解H(nonlinear)<br />
' '<br />
[ m Hm ] ( m Hm) 0<br />
每组点对应提供两个独立约束。非线性方程中,将H中元素的高阶项看<br />
做独立的未知数,求解线性方程组。线性方程组的秩小于未知数的个数,<br />
因此,方程组的解为几个基础解的线性组合,再利用高阶项与H中元素<br />
一次项的约束关系,确定线性组合的系数,从而得到H的初始解。<br />
给定初始解,利用LM算法优化H。然而,非线性方程约束仅为H的一个必<br />
要条件,而且存在平凡解I,-I。因此,该算法对噪声比较敏感,LM算法<br />
优化时容易收敛到平凡解。
迭代求解H(SCE3)<br />
' '<br />
m Hm ( m Hm )<br />
首先给一组初始的尺度因子,然后线性求解H,再利用求得的H<br />
更新尺度因子,重复迭代上述过程,直到尺度因子不再变化。<br />
实验中,初始的尺度因子设置为1,迭代算法基本是收敛的。精<br />
度和SCE算法差不多。
若将旋转矩阵用轴角表示法表示,则 H 具有如下形式:<br />
n st n tx f n t n tx s ( n st n tx ) ( f n t n tx ) x ( n st n tx )( f x sx )<br />
f n t n st<br />
3 2 1 1 3 1 1 3 2 1 1 3 1 1 2 3 2 1 2 1 2<br />
f 1 f 2 f 1f 2<br />
1 2 1<br />
f 2 f 1f 2<br />
f n t n tx n tx s ( f n t n tx ) n tx ( f x sx )( f n t n tx )<br />
2<br />
2 3<br />
f 1<br />
2 2 1 2<br />
f 2<br />
2 3<br />
f 1f 2<br />
2 2 f 2n1t 1 2<br />
f 2<br />
2 1 2 2<br />
f 1f 2<br />
3 2 2<br />
n2tn1t f f<br />
1 2<br />
f s x<br />
1 1<br />
K 0 f x<br />
2 2<br />
0 0 1<br />
n2st n1tx 2 n2t ( f 2x 1 sx 2)<br />
f f f f f<br />
1 2 2 1 2<br />
n n n<br />
1 2 3<br />
T<br />
t tg<br />
2
SCE2<br />
n2tx1 t ( f 1n3 n1x1) t (<br />
2<br />
f 2n 2x 1 f 1n1x1x 2<br />
2<br />
f 1 ( f 2n 2 n3x 2))<br />
f f f f<br />
1 2 1 2<br />
f 2n3t n2tx 2 n1tx 2 t ( f 2x 1( f 2n3 n1x 2) 2<br />
f 1n1( f 2<br />
2<br />
x 2 ))<br />
f f f f<br />
1 2 1 2<br />
n2t n1t n2tx1 n1tx 2<br />
f f f f<br />
1 2 1 2<br />
H H<br />
x x<br />
H H<br />
11 22<br />
1 2<br />
31 32<br />
H x H<br />
12 1 32<br />
H x H<br />
21 2 31<br />
2<br />
H x H x H<br />
23 1 21 2 22<br />
H<br />
32<br />
f<br />
2<br />
2
仿真实验结果<br />
相机内参数设置为:<br />
f u 1000 fv 1000 pu 512 pv 512 s 0.02<br />
相机外参数设置为:<br />
E 0 I 0 E1 R1 0 E 2 R2<br />
0<br />
0.8536 -0.3536 -0.3827<br />
R1 0.2183 0.9096 -0.3536 R2<br />
0.4731 0.2183 0.8536<br />
a1<br />
0.4857, 0.7268,0.4857 1 36.06<br />
a2<br />
0.6996, 0.5352,0.4735 2 37.88<br />
0.8924 -0.3696 -0.2588<br />
0.2119 0.8496 -0.4830<br />
0.3984 0.3762 0.8365<br />
随机选择50个空间点,位于cube 0,50 0,50 80,130 ,重复1000次实验。
SCE VS nonlinear(经过LM优化的)<br />
Relative errors (%) of F u<br />
Relative errors (%) of P u<br />
7<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
SCE<br />
nonlinear<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
12<br />
10<br />
8<br />
6<br />
4<br />
2<br />
SCE<br />
nonlinear<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
Relative errors (%) of F v<br />
Relative errors (%) of P v<br />
2.5<br />
2<br />
1.5<br />
1<br />
0.5<br />
SCE<br />
nonlinear<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
4<br />
3.5<br />
3<br />
2.5<br />
2<br />
1.5<br />
1<br />
0.5<br />
SCE<br />
nonlinear<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3
SCE VS nonlinear(未经过LM优化的)
SCE VS SCE2(s=0.00)<br />
Relative errors of F u<br />
Relative errors of P u<br />
0.06<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
0.1<br />
0.09<br />
0.08<br />
0.07<br />
0.06<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
SCE<br />
SCE2<br />
SCE<br />
SCE2<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
Relative errors of F v<br />
Relative errors of P v<br />
0.05<br />
0.045<br />
0.04<br />
0.035<br />
0.03<br />
0.025<br />
0.02<br />
0.015<br />
0.01<br />
0.005<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
0.12<br />
0.1<br />
0.08<br />
0.06<br />
0.04<br />
0.02<br />
SCE<br />
SCE2<br />
SCE<br />
SCE2<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3
SCE VS SCE2(s=0.02)<br />
Relative errors of F u<br />
Relative errors of P u<br />
0.07<br />
0.06<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
0.12<br />
0.1<br />
0.08<br />
0.06<br />
0.04<br />
0.02<br />
SCE<br />
SCE2<br />
SCE<br />
SCE2<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
Relative errors of F v<br />
Relative errors of P v<br />
0.05<br />
0.045<br />
0.04<br />
0.035<br />
0.03<br />
0.025<br />
0.02<br />
0.015<br />
0.01<br />
0.005<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
0.12<br />
0.1<br />
0.08<br />
0.06<br />
0.04<br />
0.02<br />
SCE<br />
SCE2<br />
SCE<br />
SCE2<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3
SCE VS SCE2 VS SCE3(s=0.02)<br />
Relative errors of F u<br />
Relative errors of P u<br />
0.07<br />
0.06<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
0.12<br />
0.1<br />
0.08<br />
0.06<br />
0.04<br />
0.02<br />
SCE<br />
SCE2<br />
SCE3<br />
SCE<br />
SCE2<br />
SCE3<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
Relative errors of F v<br />
Relative errors of P v<br />
0.09<br />
0.08<br />
0.07<br />
0.06<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
0.12<br />
0.1<br />
0.08<br />
0.06<br />
0.04<br />
0.02<br />
SCE<br />
SCE2<br />
SCE3<br />
SCE<br />
SCE2<br />
SCE3<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3
SCE2 VS SCE4(s=0.02)<br />
Relative errors of F u<br />
Relative errors of P u<br />
0.045<br />
0.04<br />
0.035<br />
0.03<br />
0.025<br />
0.02<br />
0.015<br />
0.01<br />
0.005<br />
0.014<br />
0.012<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
0.01<br />
0.008<br />
0.006<br />
0.004<br />
0.002<br />
SCE2<br />
SCE4<br />
SCE2<br />
SCE4<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
Relative errors of F v<br />
Relative errors of P v<br />
0.045<br />
0.04<br />
0.035<br />
0.03<br />
0.025<br />
0.02<br />
0.015<br />
0.01<br />
0.005<br />
0.03<br />
0.025<br />
0.02<br />
0.015<br />
0.01<br />
0.005<br />
SCE2<br />
SCE4<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3<br />
SCE2<br />
SCE4<br />
0<br />
0 0.5 1 1.5<br />
Noise level (pixels)<br />
2 2.5 3
非线性求解H的方法相比SCE精度没有提高<br />
迭代法求解H的方法与SCE精度相当<br />
假设s=0直接利用H的元素求解K,即使真实<br />
的s不等于0,精度也比SCE高<br />
假设s不等于0直接利用H的元素求解K和假<br />
设s等于0求解K的精度相当
相机做旋转运动时,由于旋转中心和相机<br />
中心不是完全重合,所以会有平移存在<br />
单应矩阵不再是无穷单应<br />
T<br />
tn<br />
H K R K<br />
d<br />
1<br />
T 1<br />
H K R t nn<br />
K<br />
L. Wang, S.B. Kang, H. Y. Shum, and G. Xu, “Error analysis of pure rotation-based self-calibration,” Proc<br />
8th Int.conf. on Computer Vision, Vancouver, Canada, pp. I: 464-471, July 2001.
0 0 1 T<br />
n t t t t<br />
x x<br />
1 1<br />
x x<br />
2 2<br />
n x y z<br />
2 1 cos f n t f n n t 2sin f n t<br />
1<br />
2<br />
2 z 1 2 3 y 1 2 x<br />
4sin<br />
2 1 cos f n n t f n t 2sin f n t<br />
2 1 3 x 2<br />
2<br />
1 z 2 1 y<br />
4sin<br />
n<br />
2<br />
n<br />
1
CCE VS SCE VS SCE2(图像噪声为0)<br />
Relative errors of F u<br />
Relative errors of P u<br />
0.035<br />
0.03<br />
0.025<br />
0.02<br />
0.015<br />
0.01<br />
0.005<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)<br />
0.08<br />
0.07<br />
0.06<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
SCE<br />
CCE<br />
SCE2<br />
SCE<br />
CCE<br />
SCE2<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)<br />
Relative errors of F v<br />
Relative errors of P v<br />
0.03<br />
0.025<br />
0.02<br />
0.015<br />
0.01<br />
0.005<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)<br />
0.12<br />
0.1<br />
0.08<br />
0.06<br />
0.04<br />
0.02<br />
SCE<br />
CCE<br />
SCE2<br />
SCE<br />
CCE<br />
SCE2<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)
CCE VS SCE VS SCE2(图像噪声为0.2 pixels)<br />
Relative errors of F u<br />
Relative errors of P u<br />
0.04<br />
0.035<br />
0.03<br />
0.025<br />
0.02<br />
0.015<br />
0.01<br />
0.005<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)<br />
0.08<br />
0.07<br />
0.06<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
SCE<br />
CCE<br />
SCE2<br />
SCE<br />
CCE<br />
SCE2<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)<br />
Relative errors of F v<br />
Relative errors of P v<br />
0.03<br />
0.025<br />
0.02<br />
0.015<br />
0.01<br />
0.005<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)<br />
0.12<br />
0.1<br />
0.08<br />
0.06<br />
0.04<br />
0.02<br />
SCE<br />
CCE<br />
SCE2<br />
SCE<br />
CCE<br />
SCE2<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)
CCE VS SCE VS SCE2(图像噪声为0.5 pixels)<br />
Relative errors of F u<br />
Relative errors of P u<br />
0.04<br />
0.035<br />
0.03<br />
0.025<br />
0.02<br />
0.015<br />
0.01<br />
0.005<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)<br />
0.08<br />
0.07<br />
0.06<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
SCE<br />
CCE<br />
SCE2<br />
SCE<br />
CCE<br />
SCE2<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)<br />
Relative errors of F v<br />
Relative errors of P v<br />
0.035<br />
0.03<br />
0.025<br />
0.02<br />
0.015<br />
0.01<br />
0.005<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)<br />
0.1<br />
0.09<br />
0.08<br />
0.07<br />
0.06<br />
0.05<br />
0.04<br />
0.03<br />
0.02<br />
0.01<br />
SCE<br />
CCE<br />
SCE2<br />
SCE<br />
CCE<br />
SCE2<br />
0<br />
0 0.5 1 1.5 2 2.5 3<br />
translation level (relative)
仿射重建<br />
模约束<br />
迹约束,行列式约束<br />
行列式归一化
本质:确定无穷远平面<br />
P0 I ,0 , Pi Ai , bi , i 1,2,... N<br />
H A b x<br />
i i i<br />
T<br />
传统方法利用模约束得到3D向量x的4次方程组,高度非线性。<br />
由于这里的无穷单应并未归一化,所以若想利用H的约束求解x,需要对无穷<br />
单应归一化,再做Cayley变换。
H x KRK<br />
tr H x det H x 0<br />
1<br />
1 1<br />
H x K R K K t R K<br />
C x C x C x C x L C x L C x L C L C<br />
i i i i i i i i<br />
1 1 2 2 3 3 4 1 i 5 2 i 6 3 i 7 i 8 0<br />
3 i i i i<br />
Li D1 x1 D2 x 2 D3 x 3 D4<br />
C D 为第i幅视图的投影矩阵元素的某个多项式的值<br />
i<br />
j<br />
i<br />
j
#1首先给x一组初值,然后就可以确定L,再利用L的值线性<br />
求解3D向量x,循环迭代直至x不再变化。<br />
然而在仿真实验中,迭代结束时得到的解不稳定。<br />
如:即使x的初值给在真值的5%误差范围内时,迭代结束<br />
时的解有时会完全偏离正确的解。<br />
#2直接利用Continuation方法求解非线性方程。
Future work<br />
H的其他几何变换性质<br />
H的其他内在性质(部分内参已知时)
谢谢!